MAF1731 - Microstructure and Trading Systems

B.Eng Financial Engineering

I.F. Daniel García Hernández

I.F. Chelsi Arelí Sedano Gómez

I.F. Lizbeth Alejandra Barragán Vázquez

01 de Diciembre de 2021 | Repository: Link

---

Laboratorio 5

Proyecto Final Análisis Técnico

---

Abstract

En el presente notebook se encuentra el trabajo realizado en base a los precios que provienen de la aplicación de trading *Metratader 5* esto con la intención de realizar un profundo análisis que nos lleve a visualizar y comprender el funcionamiento de lo que un sistema de trading conlleva. De esta manera, podemos denotar las operaciones que un broker tiene que realizar, así como las acciones premeditadas que el individuo presenta para poder proceder con el ingreso monetario al trading hecho en cierto periodo de tiempo. Por otro lado, se hacen presentes las visualizaciones respectivas a lo que un Análisis Técnico representa.

1. Introducción

---

En el presente laboratorio se muestra un análisis importante en base a un ingreso ficticio realizado a un sistema de trading creado desde cero con diversas decisiones de inversión tomadas respecto a lo que un Análisis Técnico refiere.

Recordemos que el análisis técnico es un sistema que permite examinar y predecir los movimientos de precios en los mercados financieros a partir de datos históricos y estadísticas de mercado. Se basa en la idea de que, si un inversor puede identificar patrones previos, entonces podrá predecir los movimientos futuros de los precios de manera bastante exacta.

Los analistas técnicos disponen de una gran variedad de herramientas para detectar tendencias y patrones en los gráficos. Entre ellas figuran las medias móviles, los niveles de soporte y resistencia o las bandas de Bollinger. Todas las herramientas comparten un mismo objetivo, que los inversores que usan el análisis técnico entiendan mejor los movimientos de los gráficos y puedan identificar las tendencias con mayor facilidad.

Una vez dicho lo anterior, se comienza realizando la programación de medias móviles y bandas de Bollinger dentro del sistema creado con el objetivo de establecer ciertos parámetros que definan los alcances del inversionista. Una vez que los parámetros de decisión y los alcances del inversionista se encuentran asentados, se procede a realizar una optimización, que es la parte más importante de este laboratorio, dado que con ella podremos justificar el principal alcance de nuestro inversionista y así poder visualizar mejores resultados para el mismo.

Continuando con el procedimiento se presentan diversas visualizaciones con el objetivo de tener la parte teórica y de programación de manera más didáctica, así como de observar los resultados obtenidos en conjunto con las conclusiones a las que se llegaron.

Objetivos

Objetivo general

Este laboratorio tiene como propósito utilizar entre dos y cuatro estudios técnicos como herramientas para la generación de oportunidades de trading, utilizando criterios financieros que ayuden al establecimiento del sistema.

Objetivos específicos

• Aplicar el análisis técnico de manera efectiva.

• Reconocer la importancia de los criterios financieros.

• Aplicar los conocimientos de los aspectos financieros y estadísticos.

2. Instalar Paqueterías y Dependencias

---

2.1 Paqueterías de python

Para pode correr el presente notebook, será necesario haber instalado o ya tener el archivo requirements.txt que presenta lo siguiente:

• fire==0.4.0
• Metatrader5
• pandas>=1.1.0
• numpy>=1.19.1
• jupyter>=1.0.0
• chart_studio>=1.1
• plotly>=4.14
• datetime
• time
• plotly
• pyswarms

2.2 Dependencias

Las dependencias necesarias para poder correr el notebook son:

• files/Históricos_test.xlsx : Reporte de histórico de periodo de prueba en excel proveniente de Metatrader 5.
• files/Históricos_train.xlsx : Reporte de histórico de periodo de entrenamiento en excel proveniente de Metatrader 5.
• functions.py
• visualizations.py

2.3 Instalación de paqueterías

%%capture
# Install all the pip packages in the requirements.txt
import sys
!{sys.executable} -m pip install -r requirements.txt

# Para que no aparezcan los warnings
import warnings
if not sys.warnoptions:
    warnings.simplefilter("ignore")

from functions import *

3. Datos y validaciones

---

En este apartado encontraremos la descarga de datos para el periodo de entrenamiento, dado que con dichos datos se creará el modelo de nuestro sistema de trading. Mostrando así la tabla con los datos tal cual provienen de Metatrader 5.

Como datos iniciales, se tiene que:

• Capital inicial: 100,000
• Riesgo máximo por operación (pérdida máxima): 1,000 usd
• División de los datos:
  • Periodo de entrenamiento: 01/Ene/2018 - 31/Ene/2018
  • Periodo de prueba: 01/Ene/2019 - 31/Dic/2019

import MetaTrader5 as mt5
usuario = 'Daniel Garcia'
symbol = 'EURUSD'
meta_path = 'C:\Program Files\MetaTrader 5 Terminal\\terminal64.exe'
login_count = 5400339
password_count = '2qeDQrhu'
server_name = 'FxPro-MT5'
start_date_backtest = datetime.datetime(year=2018, month=1, day=1)
end_date_backtest = datetime.datetime(year=2018, month=12, day=31)
start_date_prueba = datetime.datetime(year=2019, month=1, day=1)
end_date_prueba = datetime.datetime(year=2019, month=12, day=31)

datos_train, datos_prueba = historicos(meta_path, login_count, password_count, server_name,
                                       start_date_backtest, end_date_backtest, start_date_prueba,
                                       end_date_prueba, symbol)

datos_train

	time	open	high	low	close	tick_volume	spread	real_volume
0	2018-01-02 00:00:00	1.20087	1.20095	1.20007	1.20090	705	16	155200000
1	2018-01-02 00:15:00	1.20090	1.20094	1.20034	1.20058	1083	19	216600000
2	2018-01-02 00:30:00	1.20059	1.20160	1.20058	1.20135	969	18	193800000
3	2018-01-02 00:45:00	1.20135	1.20141	1.20125	1.20130	1234	20	246800000
4	2018-01-02 01:00:00	1.20130	1.20139	1.20019	1.20137	4787	18	957400000
...	...	...	...	...	...	...	...	...
24740	2018-12-31 05:00:00	1.14348	1.14360	1.14337	1.14338	2825	15	423750000
24741	2018-12-31 05:15:00	1.14338	1.14367	1.14337	1.14365	3115	15	467250000
24742	2018-12-31 05:30:00	1.14365	1.14392	1.14356	1.14392	3730	15	559500000
24743	2018-12-31 05:45:00	1.14392	1.14402	1.14363	1.14378	3675	15	551250000
24744	2018-12-31 06:00:00	1.14378	1.14389	1.14311	1.14321	5133	15	769950000

24745 rows × 8 columns

datos_prueba

	time	open	high	low	close	tick_volume	spread	real_volume
0	2019-01-02 06:00:00	1.14450	1.14456	1.14431	1.14437	4375	15	656250000
1	2019-01-02 06:15:00	1.14437	1.14458	1.14431	1.14439	3462	15	519300000
2	2019-01-02 06:30:00	1.14439	1.14463	1.14421	1.14454	3953	15	592950000
3	2019-01-02 06:45:00	1.14454	1.14454	1.14437	1.14443	2893	15	433950000
4	2019-01-02 07:00:00	1.14443	1.14477	1.14443	1.14474	4092	15	613800000
...	...	...	...	...	...	...	...	...
24712	2019-12-31 05:00:00	1.12092	1.12093	1.12039	1.12050	3654	15	548100000
24713	2019-12-31 05:15:00	1.12050	1.12055	1.12026	1.12026	2456	15	368400000
24714	2019-12-31 05:30:00	1.12026	1.12028	1.11980	1.12026	2917	15	437550000
24715	2019-12-31 05:45:00	1.12026	1.12037	1.12023	1.12029	2232	15	334800000
24716	2019-12-31 06:00:00	1.12029	1.12037	1.12026	1.12036	2476	15	371400000

24717 rows × 8 columns

En estos DataFrames podemos observar la descarga de datos pertinentes a ambos periodos definidos en el inicio de este apartado. De modo que tenemos los datos divididos en train y prueba, tal como se muestran.

4. Sistema de Trading

En el presente apartado se muestra cómo funciona el sistema de trading creado, los aspectos financieros y los aspectos estadísticos con los que cuenta y en base a los cuáles se toman las decisiones correspondientes. En este primer punto se visualizará toda la teoría a manera de introducción a lo que se esta realizando y posterior a ello, se muestran los resultados del periodo de entrenamiento donde se realizó el sistema y se hace el proceso correspondiente para la obtención de resultados. Como segundo paso, se realiza la optimización de ciertas variables con el objetivo de tener el mayor profit acumulado. Finalmente, se corroboran todos los resultados con el periodo de prueba que se indicó al inicio de este laboratorio.

Aspectos Financieros

Dentro de los criterios financieros encontramos:

1. Uso de datos: Se utilizaron datos provenientes de Metatrader 5, mismos que corresponden al periodo de prueba y de entrenamiento que el mismo laboratorio establecía.

   Instrumento utilizado: En este caso se utilizó el EuroDólar, éstos son depósitos denominados en dólares estadounidenses que se mantienen en bancos fuera de los Estados Unidos, y por lo tanto no están bajo la jurisdicción de la Reserva Federal. En consecuencia, estos depósitos están sujetos a una menor regulación que depósitos similares en los Estados Unidos, lo que permite mayores márgenes de ganancia.

   Granularidad: Para este laboratorio se utilizó una granularidad de 15 minutos, dado que al ser periodos largos la propia aplicación de Metatrader 5 tronaba al tener muchos datos por lo que la mejor decisión para solucionar el problema fue elegir la descarga de datos cada 15.

   Validaciones históricas: Para este caso no se realizaron validaciones históricas porque se procedía con la realización del sistema de trading.

1. Análisis técnico: Como se mencionó con anterioridad el análisis técnico permite examinar y predecir los movimientos de precios en los mercados financieros a partir de datos históricos y estadísticas de mercado por lo que a partir de la predictividad de los datos históricos y estadísticos se fueron tomando decisiones en relación a la inversión aplicada en el sistema de trading que se creo.

1. Fijar el Stop loss y Take profit: En el caso de Bollinger Bands se establecio el stop loss y el take profit en relación a la distancia entre el precio y donde se encontraba la banda del moving average (banda central), dicha relación se encuentra marcada 1 a 1. Para el caso de Moving Average se fijo el stop loss y take profit con una relación 2 a 1.

1. Cantidad de capital utilizado para realizar la operación: En toda esta operación se contó con un capital de $\$100,000$ mismo que se fijó de acuerdo a lo que el propio laboratorio indica.

Métricas de Atribución al Desempeño

Las MAD utilizadas fueron:

1. Radio de Sharpe: Mide el rendimiento promedio excedente sobre la tasa libre de riesgo por unidad de riesgo incurrido. Es decir, es un indicativo del rendimiento esperado del trader por encima de la tasa libre de riesgo descontando el riesgo en el que incurre. Mientras sea mas alto el valor del ratio, significa que el numerador fue muy grande o que el denominador fue muy pequeño. Esto, en terminos financieros, podría interpretarse que un Sharpe es alto cuando se tiene un rendimiento excedente despues de la tasa libre de riesgo alto, y/o, que la volatilidad de los rendimientos de la estrategia de trading fue baja.

1. Drawup: La plusvalía máxima que se presentó en la evolución del capital. Esta medida puede ser calculada, tanto para información temporalmente medida en los mismos intervalos o equidistante (ej. rendimientos diarios) y también para información obtenida en intervalos distintos o no equidistante (ej: rendimiento por operación). Esto es posible ya que lo que se busca obtener de información es la fecha inicial, la fecha final y la magnitud del periodo donde la acumulación de ganancia de capital resultó ser la mayor dentro del periodo de tiempo analizado.

1. Drawdown: La minusvalía máxima que se presentó en la evolución del capital. Esta medida puede ser calculada, tanto para información temporalmente medida en los mismos intervalos o equidistante (ej. rendimientos diarios) y también para información obtenida en intervalos distintos o no equidistante (ej: rendimiento por operación). Esto es posible ya que lo que se busca obtener de información es la fecha inicial, la fecha final y la magnitud del periodo donde la acumulación de pérdida de capital resultó ser la mayor dentro del periodo de tiempo analizado.

Aspectos Estadísticos

Respecto a los estudios técnicos utilizados se realizaron dos:

1. Moving Average: Es de los indicadores más empleados en el análisis técnico y nos indica el promedio del precio en un punto determinado de tiempo con respecto a un periodo definido. Se emplea el término de móvil ya que refleja el último promedio de precios mientras que al mismo tiempo se mantienen unida a la misma medida de tiempo durante toda la serie. Hay que destacar que la media móvil es, sin embargo, un indicador retrasado que no manifiesta las variaciones del precio de forma inmediata, por lo tanto no necesariamente la podemos emplear como un indicativo de cambio en la tendencia del mercado.

1. Bollinger Bands: El indicador de banda de Bollinger utiliza una medida estadística conocida como la desviación estándar para determinar dónde podría tener lugar un posible nivel de soporte o resistencia. Las Bandas de Bollinger se materializan mediante dos líneas, tanto por encima como por debajo de una media móvil central, que abarca el precio. La banda central es una media móvil. Siendo la misma que se emplea en el apartado de moving average. La banda superior se calcula sumando al valor de la media móvil simple x veces la desviación estándar de la media móvil. La banda inferior se calcula restando a la media móvil simple x veces la desviación estándar de la media móvil. Para este sistema ese número de veces se utiliza como un parámetro de la optimización.

Generación de señal de compra y venta

Para este caso tenemos generaciones de señales de acuerdo al estudio técnico que se utilizó.

En el caso de Moving Average se presentan dos de éstas, una que es de corto plazo y otra a largo plazo. De esta manera se relizará una compra cuando la línea correspondiente al corto plazo cruce la de largo plazo de manera ascendente, es decir de abajo hacía arriba. En el caso de la señal de venta, ésta se realizará cuando la línea correspondiente al corto plazo cruce a la de largo de manera descendente, es decir de arriba hacía abajo.

En el caso de Bollinger Bands se realizará una compra cuando el precio de nuestro activo se encuentre por debajo de la línea inferior correspondiente a las propias bandas de Bollinger. Para el caso de la señal de venta, esta se realizará cuando el precio de nuestro activo en análisis se encuentre por encima de la línea superior correspondiente a las bandas.

Aspectos Computacionales

Función de Utilidad: La función que se buscó optimizar fue la llamada "cost_function" en donde se realiza el sistema de trading, buscando la maximización del profit acumulado.

Parámetro a optimizar:

• Parámetro: 1

Nombre: Número de acciones

Descripción: Número de acciones utilizadas dentro de la inversión

Tipo de valor: numérico

Rango de valores: 100 - 10000

Tamaño de paso mínimo: partículas

• Parámetro: 2

Nombre: SL/TP

Descripción: Valores correspondientes al stop loss y take profit

Tipo de valor: numérico

Rango de valores: 0.01 - 0.06

Tamaño de paso mínimo: partículas

• Parámetro: 3

Nombre: Window

Descripción: Tamaño de ventana utilizado en los aspectos estadísticos

Tipo de valor: numérico

Rango de valores: 20 - 100

Tamaño de paso mínimo: partículas

• Parámetro: 4

Nombre: Desviación estándar

Descripción: Valor correspondiente a la desviación estándar que separan a las bandas de bollinger

Tipo de valor: numérico

Rango de valores: 0.05 - 4

Tamaño de paso mínimo: partículas

Espacio de búsqueda:

• Exhaustivo: 48
• PSO: Al ser un modelo por partículas, el espacio de búsqueda es incalculable.

Tiempo de búsqueda exhaustiva: Al hacerlo en una búsqueda exhaustiva, que sería el optimizador heurístico. Se presentó un tiempo aproximado de 40 minutos.

Tiempo de búsqueda PSO: Al hacerlo con una optimización PSO, se presentó un tiempo aproximado de 18 minutos.

Método de optimización: Se utilizó PSO y una búsqueda exhaustiva para poder determinar la mejor combinación de los parámetros que se usaron y asismismo para verificarlos en los diferentes casos.

4.1. Periodo de entrenamiento

Definición de variables

num_acciones = 100
pp_ma = 0.02
pg_ma = 0.02
w_bb = 100
sd_bb = 2

funcion_ma_bb = function(num_acciones, pp_ma, w_bb, sd_bb, 'backtest')

100 0.02 0.01 100 2

2021-11-30 00:55:23,887 - numexpr.utils - INFO - Note: NumExpr detected 16 cores but "NUMEXPR_MAX_THREADS" not set, so enforcing safe limit of 8.
2021-11-30 00:55:23,887 - numexpr.utils - INFO - NumExpr defaulting to 8 threads.

Métricas de Atribución al Desempeño

MAD = funcion_ma_bb[1]
MAD

	Métrica		Valor	Descripción
0	Sharpe	Cantidad	-0.054705	Sharpe Ratio Fórmula Original
1	Drawdown	DrawDown $ (capital)	-2.793000	Máxima pérdida flotante registrada
2	Drawup	DrawUp $ (capital)	1.698000	Máxima ganancia flotante registrada

DataFrame proveniente del Sistema de Trading creado

df_ma_bb = funcion_ma_bb[2]
df_ma_bb

	time	open	high	low	close	tick_volume	spread	real_volume	Operation	exposure	...	Stoploss_final	Takeprofit_final	SL_final	TP_final	CloseOp_final	Profit_final	Date_SL_final	Date_TP_final	Profit_final_acum	Operation_final
0	2018-01-02 19:45:00	1.20485	1.20495	1.20407	1.20442	4693	6	938600000	Vender	120.442	...	1.228508	1.192376	1.22855	1.19209	1.19209	1.233	2018-01-15 12:15:00.000000	2018-01-09 13:00:00.000000	1.233	Vender
1	2018-01-03 01:00:00	1.20567	1.20614	1.20564	1.20603	3841	16	768200000	Comprar	120.603	...	1.181909	1.218090	1.18169	1.21815	1.21815	1.212	2018-05-16 01:45:00.000000	2018-01-12 22:30:00.000000	2.445	Comprar
2	2018-01-03 06:15:00	1.20479	1.20497	1.20479	1.20495	1693	13	338600000	Vender	120.495	...	1.229049	1.192900	1.22919	1.19278	1.19278	1.217	2018-01-17 02:30:00.000000	2018-01-09 12:30:00.000000	3.662	Vender
3	2018-01-03 10:00:00	1.20386	1.20395	1.20306	1.20318	6393	6	1278600000	0	0.000	...	1.201206	1.205154	1.20083	1.20538	1.20083	-0.235	2018-01-03 17:00:00.000000	2018-01-04 12:30:00.000000	3.427	Comprar
4	2018-01-03 12:15:00	1.20361	1.20367	1.20287	1.20303	5430	6	1086000000	0	0.000	...	1.200932	1.205128	1.20083	1.20538	1.20083	-0.220	2018-01-03 17:00:00.000000	2018-01-04 12:30:00.000000	3.207	Comprar
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
1003	2018-12-27 05:45:00	1.13827	1.13832	1.13804	1.13804	5668	15	850200000	Comprar	113.804	...	1.115279	1.149420	0.00000	0.00000	0.00000	0.000	2021-11-30 00:55:25.633010	2021-11-30 00:55:25.633010	70.974	Comprar
1004	2018-12-27 16:45:00	1.14038	1.14355	1.13974	1.14339	15790	15	2368500000	0	0.000	...	1.148837	1.137943	0.00000	0.00000	0.00000	0.000	2021-11-30 00:55:25.633010	2021-11-30 00:55:25.633010	70.974	Vender
1005	2018-12-27 19:00:00	1.14112	1.14244	1.14102	1.14227	14300	15	2145000000	0	0.000	...	1.146450	1.138090	1.14649	0.00000	1.14649	-0.422	2018-12-28 05:00:00.000000	2021-11-30 00:55:25.633010	70.552	Vender
1006	2018-12-28 05:00:00	1.14609	1.14650	1.14558	1.14649	14866	15	2229900000	0	0.000	...	1.151859	1.141121	0.00000	0.00000	0.00000	0.000	2021-11-30 00:55:25.633010	2021-11-30 00:55:25.633010	70.552	Vender
1007	2018-12-28 18:00:00	1.14361	1.14455	1.14296	1.14417	30938	15	4640700000	Vender	114.417	...	1.167053	1.132728	0.00000	0.00000	0.00000	0.000	2021-11-30 00:55:25.633010	2021-11-30 00:55:25.633010	70.552	Vender

987 rows × 40 columns

En dicho dataframe podemos observar una serie de columnas que fueron creadas de acuerdo a los criterios financieros citados en un inicio de este apartado, haciendo uso de los criterios estadísticos y bajo las condiciones de generación de señales de compra o venta que se citaron con anterioridad. Las primeras ocho columnas, excluyendo el index, se tratan de la base tal cual se descarga de Metatrader, posterior a estas se fueron creando paso a paso columnas que mostrarán las pautas teóricas que se mencionaron, haciendo en conjunto lo que llamamos un sistema de trading, que contenga las compras y ventas del activo en análisis así como las pérdidas o ganancias que la inversión genera.

Resumen de las operaciones realizadas

df_ma_bb_profit= funcion_ma_bb[3]
df_ma_bb_profit

	time	Operation_final	Profit_final	Profit_final_acum
0	2018-01-02 19:45:00	Vender	1.233	1.233
1	2018-01-03 01:00:00	Comprar	1.212	2.445
2	2018-01-03 06:15:00	Vender	1.217	3.662
3	2018-01-03 10:00:00	Comprar	-0.235	3.427
4	2018-01-03 12:15:00	Comprar	-0.220	3.207
...	...	...	...	...
1003	2018-12-27 05:45:00	Comprar	0.000	70.974
1004	2018-12-27 16:45:00	Vender	0.000	70.974
1005	2018-12-27 19:00:00	Vender	-0.422	70.552
1006	2018-12-28 05:00:00	Vender	0.000	70.552
1007	2018-12-28 18:00:00	Vender	0.000	70.552

987 rows × 4 columns

En este dataframe visualizamos el total de operaciones que tuvo nuestro sistema de trading, mostrando el tiempo en el cual se realizaron las operaciones, así como la operación que se decidió hacer respecto a los criterios que se definieron en base al análisis técnico. Para continuar con la columna "Profit_final" que contiene los valores de las pérdidas o ganancias, según sea el caso, denotadas con el signo positivo o negativo que se obtienen de acuerdo a la asertividad de la operación realizada. Finalmente, la columna "Profit_final_acum" muestra el total acumlado de las pérdidas o ganancias de la columna de "Profit_final".

five_visualizations(df_ma_bb)

(None, None, None, None, None)

Heurístico

heuristic = resultados_heuristicos()

1000 0.01 0.005 20 1
198.36000000000527
1000 0.01 0.005 20 2
253.28000000000267
1000 0.01 0.005 30 1
240.9000000000039
1000 0.01 0.005 30 2
219.16999999999936
1000 0.01 0.005 40 1
113.86000000000504
1000 0.01 0.005 40 2
191.12999999999818
1000 0.02 0.01 20 1
826.6000000000054
1000 0.02 0.01 20 2
930.1900000000023
1000 0.02 0.01 30 1
921.8000000000035
1000 0.02 0.01 30 2
871.2999999999996
1000 0.02 0.01 40 1
780.750000000005
1000 0.02 0.01 40 2
908.6299999999983
2000 0.01 0.005 20 1
396.72000000001054
2000 0.01 0.005 20 2
506.56000000000535
2000 0.01 0.005 30 1
481.8000000000078
2000 0.01 0.005 30 2
438.3399999999987
2000 0.01 0.005 40 1
227.7200000000101
2000 0.01 0.005 40 2
382.25999999999635
2000 0.02 0.01 20 1
1621.7000000000082
2000 0.02 0.01 20 2
1793.6200000000051
2000 0.02 0.01 30 1
1777.6800000000064
2000 0.02 0.01 30 2
1654.8799999999997
2000 0.02 0.01 40 1
1511.1200000000072
2000 0.02 0.01 40 2
1774.1599999999971
3000 0.01 0.005 20 1
595.080000000016
3000 0.01 0.005 20 2
759.8400000000075
3000 0.01 0.005 30 1
722.7000000000113
3000 0.01 0.005 30 2
657.5099999999982
3000 0.01 0.005 40 1
341.5800000000152
3000 0.01 0.005 40 2
573.3899999999944
3000 0.02 0.01 20 1
1997.9400000000069
3000 0.02 0.01 20 2
2324.790000000002
3000 0.02 0.01 30 1
2252.1900000000046
3000 0.02 0.01 30 2
2059.9499999999957
3000 0.02 0.01 40 1
1840.5900000000086
3000 0.02 0.01 40 2
2281.3499999999935
4000 0.01 0.005 20 1
793.4400000000211
4000 0.01 0.005 20 2
1013.1200000000107
4000 0.01 0.005 30 1
963.6000000000156
4000 0.01 0.005 30 2
876.6799999999974
4000 0.01 0.005 40 1
455.4400000000202
4000 0.01 0.005 40 2
764.5199999999927
4000 0.02 0.01 20 1
2378.3600000000115
4000 0.02 0.01 20 2
2849.8800000000065
4000 0.02 0.01 30 1
2799.640000000012
4000 0.02 0.01 30 2
2465.319999999997
4000 0.02 0.01 40 1
2143.400000000012
4000 0.02 0.01 40 2
2787.4799999999946
2391.089874982834

print("El profit acumulado máximo es de: ", np.round(max(heuristic[0]), 2), "con un total de iteraciones de ",  len(heuristic[0]))

El profit acumulado máximo es de:  2849.88 con un total de iteraciones de  48

Optimización PSO

PSO es un algoritmo estocástico de búsqueda basado en población, propuesto por Kennedy y Eberhart en 1995 como un modelo de las actividades sociales de insectos, pájaros y peces. Este algoritmo pretende representar el proceso natural de comunicación grupal para compartir conocimiento individual cuando grupos de animales se desplazan, migran o cazan. Si un miembro detecta un camino deseable para desplazarse, el resto de la colonia lo sigue inmediatamente. En PSO, este comportamiento animal es imitado por partículas con ciertas posiciones y velocidades en un espacio de búsqueda, donde la población es llamada swarm, y cada miembro del swarm es llamado partícula.

Cada partícula comunica las buenas posiciones a las demás y dinámicamente ajustan su propia posición y su velocidad con base en las buenas posiciones. La velocidad se ajusta con el comportamiento histórico de las partículas. De esta forma, las partículas tienden a dirigirse hacia un mejor espacio de búsqueda en el proceso de minimización de la función objetivo.

cost = PSO_Optimization(iterations=20)

2021-11-30 08:35:36,011 - pyswarms.single.global_best - INFO - Optimize for 20 iters with {'c1': 2, 'c2': 2.2, 'w': 0.73}
pyswarms.single.global_best:   0%|                                                                                |0/20

7393.174512424098 0.030825897173931464 0.015412948586965732 28 1.7888124261516178

pyswarms.single.global_best:   5%|███                                                          |1/20, best_cost=7.67e+3

7393.798430225648 0.0312466378091993 0.01562331890459965 29 1.9250272432891755

pyswarms.single.global_best:  10%|██████                                                       |2/20, best_cost=7.67e+3

7393.95306945593 0.04130484124826865 0.020652420624134325 28 1.588373408039044

pyswarms.single.global_best:  15%|█████████▏                                                   |3/20, best_cost=6.45e+3

7394.065956094035 0.013647329758789238 0.006823664879394619 28 1.3426161083064478

pyswarms.single.global_best:  20%|████████████▏                                                |4/20, best_cost=-4.1e+3

7394.148363339852 0.035457346371469266 0.017728673185734633 28 1.1632132795016528

pyswarms.single.global_best:  25%|███████████████▎                                             |5/20, best_cost=-4.1e+3

7394.06400518525 0.023296635854819288 0.011648317927409644 28 1.432710036837403

pyswarms.single.global_best:  30%|██████████████████▎                                          |6/20, best_cost=-4.1e+3

7394.007027262915 0.05191267829355727 0.025956339146778636 29 1.4420014800662122

pyswarms.single.global_best:  35%|█████████████████████▎                                       |7/20, best_cost=-4.1e+3

7394.003528705593 0.03857981664226928 0.01928990832113464 28 1.2371209197911528

pyswarms.single.global_best:  40%|████████████████████████▍                                    |8/20, best_cost=-4.1e+3

7394.118181892407 0.029897307819226566 0.014948653909613283 28 1.3267170888700297

pyswarms.single.global_best:  45%|███████████████████████████▍                                 |9/20, best_cost=-4.1e+3

7394.032110855378 0.05577181941839629 0.027885909709198145 29 1.410474704318567

pyswarms.single.global_best:  50%|██████████████████████████████                              |10/20, best_cost=-4.1e+3

7394.024421287577 0.011924745984497373 0.0059623729922486865 27 1.334646677027867

pyswarms.single.global_best:  55%|█████████████████████████████████                           |11/20, best_cost=-4.1e+3

7394.109027608227 0.026037933375703717 0.013018966687851859 28 1.2892746881884267

pyswarms.single.global_best:  60%|████████████████████████████████████                        |12/20, best_cost=-4.1e+3

7394.09240722118 0.039435320830051676 0.019717660415025838 29 1.2928009480976967

pyswarms.single.global_best:  65%|███████████████████████████████████████                     |13/20, best_cost=-4.1e+3

7394.026656032933 0.035510141754352645 0.017755070877176322 28 1.4110767678750131

pyswarms.single.global_best:  70%|██████████████████████████████████████████                  |14/20, best_cost=-4.1e+3

7394.08625881738 0.038952333643772666 0.019476166821886333 28 1.2509233382941918

pyswarms.single.global_best:  75%|█████████████████████████████████████████████               |15/20, best_cost=-4.1e+3

7394.0827241227225 0.014892192386188392 0.007446096193094196 28 1.2223679389731927

pyswarms.single.global_best:  80%|████████████████████████████████████████████████            |16/20, best_cost=-4.1e+3

7394.047035264405 0.022121626396064208 0.011060813198032104 29 1.4201208082435153

pyswarms.single.global_best:  85%|███████████████████████████████████████████████████         |17/20, best_cost=-4.1e+3

7394.055556844873 0.02963308721062948 0.01481654360531474 28 1.4943476756263123

pyswarms.single.global_best:  90%|██████████████████████████████████████████████████████      |18/20, best_cost=-4.1e+3

7394.069886925669 0.034388624174685765 0.017194312087342883 28 1.1238600313598508

pyswarms.single.global_best:  95%|█████████████████████████████████████████████████████████   |19/20, best_cost=-4.1e+3

7394.076077868449 0.029634604196419827 0.014817302098209913 28 1.4579229269757799

pyswarms.single.global_best: 100%|████████████████████████████████████████████████████████████|20/20, best_cost=-4.1e+3
2021-11-30 08:53:22,655 - pyswarms.single.global_best - INFO - Optimization finished | best cost: -4095.721014399602, best pos: [7.39406596e+03 1.36473298e-02 2.86088245e+01 1.34261611e+00]

1066.7128760814667

print("El profit acumulado máximo es de: ", np.round(cost[0], 2), "con un total de iteraciones de ",  20)

El profit acumulado máximo es de:  4095.72 con un total de iteraciones de  20

funcion_ma_bb_opt = function(cost[1][0],cost[1][1],cost[1][2],cost[1][3], 'backtest')

7394.065956094035 0.013647329758789238 0.006823664879394619 28 1.3426161083064478

Métricas de Atribución al Desempeño con Optimización Aplicada

MAD_opt = funcion_ma_bb_opt[1]
MAD_opt

	Métrica		Valor	Descripción
0	Sharpe	Cantidad	-0.025424	Sharpe Ratio Fórmula Original
1	Drawdown	DrawDown $ (capital)	-154.979622	Máxima pérdida flotante registrada
2	Drawup	DrawUp $ (capital)	86.880275	Máxima ganancia flotante registrada

DataFrame proveniente del Sistema de Trading creado

df_ma_bb_opt = funcion_ma_bb_opt[2]
df_ma_bb_opt

	time	open	high	low	close	tick_volume	spread	real_volume	Operation	exposure	...	Stoploss_final	Takeprofit_final	SL_final	TP_final	CloseOp_final	Profit_final	Date_SL_final	Date_TP_final	Profit_final_acum	Operation_final
0	2018-01-02 07:30:00	1.20178	1.20201	1.20174	1.20199	2359	9	471800000	0	0.000000	...	1.202529	1.201451	1.20279	1.20145	1.20279	-5.915253	2018-01-02 08:00:00.000000	2018-01-03 13:45:00.000000	-5.915253	Vender
1	2018-01-02 16:45:00	1.20461	1.20476	1.20347	1.20383	7169	6	1433800000	0	0.000000	...	1.201966	1.205694	1.20164	1.20584	1.20584	14.862073	2018-01-03 12:30:00.000000	2018-01-02 22:45:00.000000	8.946820	Comprar
2	2018-01-02 19:45:00	1.20485	1.20495	1.20407	1.20442	4693	6	938600000	Vender	8905.560919	...	1.220857	1.196201	1.22096	1.19618	1.19618	60.927103	2018-01-15 06:30:00.000000	2018-01-08 17:00:00.000000	69.873923	Vender
3	2018-01-02 22:30:00	1.20538	1.20569	1.20530	1.20568	2677	16	535400000	0	0.000000	...	1.206688	1.204672	1.20699	1.20428	1.20428	10.351692	2018-01-04 14:45:00.000000	2018-01-03 04:15:00.000000	80.225616	Vender
5	2018-01-03 03:30:00	1.20544	1.20563	1.20452	1.20473	3867	13	773400000	0	0.000000	...	1.203902	1.205558	1.20370	1.20580	1.20580	7.911651	2018-01-03 09:30:00.000000	2018-01-03 07:30:00.000000	88.137266	Comprar
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
1923	2018-12-17 13:45:00	1.13365	1.13507	1.13353	1.13497	11042	15	1656300000	0	0.000000	...	1.137720	1.132220	1.13788	0.00000	1.13788	-21.516732	2018-12-18 12:00:00.000000	2021-11-30 09:08:28.257190	4083.003221	Vender
1924	2018-12-17 19:15:00	1.13392	1.13482	1.13388	1.13470	10654	15	1598100000	0	0.000000	...	1.135350	1.134050	1.13551	1.13383	1.13551	-5.989193	2018-12-17 20:00:00.000000	2018-12-18 08:45:00.000000	4077.014028	Vender
1925	2018-12-18 03:30:00	1.13494	1.13590	1.13480	1.13581	8882	15	1332300000	0	0.000000	...	1.136757	1.134863	1.13692	1.13467	1.13467	8.429235	2018-12-18 10:15:00.000000	2018-12-18 06:45:00.000000	4085.443263	Vender
1926	2018-12-18 07:00:00	1.13467	1.13476	1.13431	1.13433	6292	15	943800000	0	0.000000	...	1.133594	1.135066	0.00000	1.13572	1.13572	10.277752	2021-11-30 09:08:28.257190	2018-12-18 09:45:00.000000	4095.721014	Comprar
1927	2018-12-18 08:45:00	1.13420	1.13424	1.13378	1.13383	5627	15	844050000	Vender	8383.613803	...	1.149304	1.126093	0.00000	0.00000	0.00000	0.000000	2021-11-30 09:08:28.257190	2021-11-30 09:08:28.257190	4095.721014	Vender

1897 rows × 40 columns

Resumen de las operaciones realizadas

df_ma_bb_profit_opt= funcion_ma_bb_opt[3]
df_ma_bb_profit_opt

	time	Operation_final	Profit_final	Profit_final_acum
0	2018-01-02 07:30:00	Vender	-5.915253	-5.915253
1	2018-01-02 16:45:00	Comprar	14.862073	8.946820
2	2018-01-02 19:45:00	Vender	60.927103	69.873923
3	2018-01-02 22:30:00	Vender	10.351692	80.225616
5	2018-01-03 03:30:00	Comprar	7.911651	88.137266
...	...	...	...	...
1923	2018-12-17 13:45:00	Vender	-21.516732	4083.003221
1924	2018-12-17 19:15:00	Vender	-5.989193	4077.014028
1925	2018-12-18 03:30:00	Vender	8.429235	4085.443263
1926	2018-12-18 07:00:00	Comprar	10.277752	4095.721014
1927	2018-12-18 08:45:00	Vender	0.000000	4095.721014

1897 rows × 4 columns

five_visualizations(df_ma_bb_opt)

(None, None, None, None, None)

4.1. Periodo de prueba

Al hacer uso de los datos óptimos obtenidos en el periodo de prueba, se procede a realizar el mismo análisis para demostrar la efectividad de la optimización realizada.

funcion_ma_bb_prueba = function(cost[1][0],cost[1][1],cost[1][2],cost[1][3], 'prueba')

7394.065956094035 0.013647329758789238 0.006823664879394619 28 1.3426161083064478

Métricas de Atribución al Desempeño con Optimización Aplicada

MAD_prueba= funcion_ma_bb_prueba[1]
MAD_prueba

	Métrica		Valor	Descripción
0	Sharpe	Cantidad	-0.079211	Sharpe Ratio Fórmula Original
1	Drawdown	DrawDown $ (capital)	-137.085983	Máxima pérdida flotante registrada
2	Drawup	DrawUp $ (capital)	85.845106	Máxima ganancia flotante registrada

DataFrame proveniente del Sistema de Trading creado

df_ma_bb_prueba= funcion_ma_bb_prueba[2]
df_ma_bb_prueba

	time	open	high	low	close	tick_volume	spread	real_volume	Operation	exposure	...	Stoploss_final	Takeprofit_final	SL_final	TP_final	CloseOp_final	Profit_final	Date_SL_final	Date_TP_final	Profit_final_acum	Operation_final
0	2019-01-02 13:00:00	1.14362	1.14383	1.14248	1.14250	11138	15	1670700000	0	0.000000	...	1.139361	1.145639	1.13803	1.14569	1.13803	-33.051475	2019-01-02 15:15:00.000000	2019-01-07 15:45:00.000000	-33.051475	Comprar
1	2019-01-02 19:30:00	1.13464	1.13502	1.13328	1.13358	12202	15	1830300000	0	0.000000	...	1.129031	1.138129	1.12860	1.13818	1.13818	34.012703	2019-02-11 16:15:00.000000	2019-01-03 11:30:00.000000	0.961229	Comprar
2	2019-01-03 00:30:00	1.13324	1.13355	1.13093	1.13219	8254	16	1238100000	0	0.000000	...	1.130301	1.134079	1.13014	1.13446	1.13446	16.784530	2019-01-24 19:15:00.000000	2019-01-03 01:00:00.000000	17.745758	Comprar
3	2019-01-03 04:15:00	1.13473	1.13546	1.13453	1.13543	5428	15	814200000	0	0.000000	...	1.136804	1.134056	1.13682	1.13401	1.13682	-10.277752	2019-01-03 05:30:00.000000	2019-01-24 12:15:00.000000	7.468007	Vender
4	2019-01-03 05:15:00	1.13611	1.13692	1.13605	1.13677	7223	15	1083450000	Comprar	8405.352357	...	1.121256	1.144527	1.12113	1.14511	1.14511	61.666510	2019-03-07 19:00:00.000000	2019-01-07 15:15:00.000000	69.134517	Comprar
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
1974	2019-12-16 06:45:00	1.11304	1.11322	1.11298	1.11320	2332	15	349800000	0	0.000000	...	1.113650	1.112750	1.11371	1.11251	1.11371	-3.770974	2019-12-16 08:15:00.000000	2019-12-18 13:15:00.000000	5171.631552	Vender
1975	2019-12-16 10:15:00	1.11398	1.11455	1.11335	1.11434	9119	15	1367850000	0	0.000000	...	1.115204	1.113476	1.11528	1.11305	1.11305	9.538345	2019-12-16 15:45:00.000000	2019-12-16 10:45:00.000000	5181.169897	Vender
1976	2019-12-16 15:30:00	1.11438	1.11483	1.11429	1.11478	7209	15	1081350000	0	0.000000	...	1.115529	1.114031	1.11555	1.11359	1.11359	8.798938	2019-12-17 12:00:00.000000	2019-12-16 17:45:00.000000	5189.968835	Vender
1977	2019-12-17 00:45:00	1.11445	1.11449	1.11374	1.11381	5734	15	860100000	0	0.000000	...	1.113319	1.114301	1.11319	1.11435	1.11435	3.992796	2019-12-17 10:15:00.000000	2019-12-17 04:45:00.000000	5193.961631	Comprar
1978	2019-12-17 01:15:00	1.11388	1.11402	1.11377	1.11398	2395	15	359250000	Vender	8236.841594	...	1.129183	1.106379	0.00000	0.00000	0.00000	0.000000	2021-11-30 09:09:48.764510	2021-11-30 09:09:48.764510	5193.961631	Vender

1952 rows × 40 columns

Resumen de las operaciones realizadas

df_ma_bb_profit_prueba = funcion_ma_bb_prueba[3]
df_ma_bb_profit_prueba

	time	Operation_final	Profit_final	Profit_final_acum
0	2019-01-02 13:00:00	Comprar	-33.051475	-33.051475
1	2019-01-02 19:30:00	Comprar	34.012703	0.961229
2	2019-01-03 00:30:00	Comprar	16.784530	17.745758
3	2019-01-03 04:15:00	Vender	-10.277752	7.468007
4	2019-01-03 05:15:00	Comprar	61.666510	69.134517
...	...	...	...	...
1974	2019-12-16 06:45:00	Vender	-3.770974	5171.631552
1975	2019-12-16 10:15:00	Vender	9.538345	5181.169897
1976	2019-12-16 15:30:00	Vender	8.798938	5189.968835
1977	2019-12-17 00:45:00	Comprar	3.992796	5193.961631
1978	2019-12-17 01:15:00	Vender	0.000000	5193.961631

1952 rows × 4 columns

five_visualizations(df_ma_bb_prueba)

(None, None, None, None, None)

5. Conclusiones

---

Para el presente proyecto podemos concluir la importancia de hacer diversas pruebas para poder corroborar los resultados que se obtengan, asimismo que la creación de un sistema de trading es todo un reto que conlleva diversos conocimientos, no solo de programación y finanzas sino de introspección misma de acuerdo a los alcances del inversionista. Puesto que de acuerdo a los intereses que este tenga serán los alcances a los que se lleguen. Por otro lado, el reconocimiento de ello hace que se caigan las mínimas veces en un sesgo.

En este caso se presentaron dos periodos, uno de backtesting y uno de prueba con ellos se pudieron corroborar los resultados que se obtenieron en el entrenamiento con los valores óptimos que proceden de dos optimizaciones por parte de una búsqueda exhaustiva y de PSO. Finalmente, se nota que los resultados convienen bastante debido a que el profit acumulado crece llegando a valores altos, que era el objetivo del este proyecto.

En conclusión, cabe destacar la importancia de asentar bien las bases de las transacciones de trading bajo la condición establecida, que en este caso fue la maximización del profit, para visualizar los alcances que tuvo la o las inversiones realizadas.

6. References

---

[1] Avatrade, (n.d). "Bandas de Bollinger". Recuperado de: https://www.avatrade.es/educacion/trading-para-principiantes/bandas-de-bollinger. El día 28 de noviembre de 2021.

[2] Wikipedia, (2020). "Eurodólar". Recuperado de: https://es.wikipedia.org/wiki/Eurodólar. El día 28 de noviembre de 2021.

[3] Canessa Raúl, (n.d). "Las Medias Móviles – Definición y uso en el trading". Recuperado de: https://www.tecnicasdetrading.com/2010/06/medias-moviles.html. El día 28 de noviembre de 2021.